Investigating the Use of Deep Learning for Angular Corrections in Bragg Coherent Diffraction Imaging

Abstract

Bragg Coherent Diffraction Imaging (Bragg CDI) is an X-ray imaging technique used to recover the internal strain information of nano-scale crystalline particles. A particle, illuminated by X-ray beams, is rocked along a direction θ and the entire diffraction volume is sampled by a series of 2-D diffraction patterns. From the diffraction volume, the internal structure of the particle can be recovered by phase retrieval algorithms.

Due to factors such as heating, angular uncertainties can occur in the sampling process leading to imprecise reconstructions of the diffraction volume. This can lead to a lower quality reconstruction of the particles shape and internal displacement as well. To accurately recover the 3-D diffraction volume, the angular position of each diffraction sample need to be accurately retrieved. Current methods only focus on the rocking angle θ and require continuity between frames so that the angular position is not completely randomized.

In this thesis, we propose a method utilizing a Convolutional Neural Network (CNN) to accurately retrieve the angular orientation, corresponding to the rocking angle θ and an azimuthal angle φ. Diffraction frames have been simulated from a particle modeled as a complex electron density. The developed CNN has been trained to retrieve the angular orientation from the diffraction frames. The robustness of the network was assessed by varying the phase of the complex electron density.

The results demonstrated that the CNN could retrieve the rocking angle θ and azimuthal angle φ from the diffraction samples, when scaling the phase and moderately varying the shape of the phase. Completely randomizing the phase gave rise to a symmetry between frames of mirrored angles which the network could not overcome. The CNN could still recover the magnitude of the angles but could not correctly order them about the mirror point. Our network shows the capability of overcoming the need for frame continuity. It also shows the ability to retrieve the azimuthal angle in a larger range than previously studied. The results are promising for future work, potentially extending the applicability of Bragg CDI with X-ray free-electron lasers.

Popular Abstract (Swedish)

Upptäckten av röntgenstrålning har varit betydelsefull för vetenskaplig innovation. Den har använts inom sjukvården för att undersöka olika kroppsvävnader, men har också haft en inverkan inom biologi och materialvetenskap genom olika experimentella metoder. Röntgenstrålning består av elektromagnetiska vågor precis som det synliga ljuset vi ser från solen. Till skillnad från synligt ljus har röntgenstrålning en mycket kortare våglängd och kan ej uppfattas av blotta ögat. Den kortare våglängden är dock en fördel då den tillåter oss att beskåda små objekt som virus, bakterier och kristallpartiklar av mikrometer till nanometerstorlek.

Ett exempel på en experimentell metod som använder sig av röntgenstrålning är Bragg Coherent Diffraction Imaging (Bragg CDI). Bragg CDI är en typ av mikroskopi som används för att undersöka den externa- och interna strukturen av kristallpartiklar. Bragg CDI fungerar genom att röntgenvågor inträffar en kristallpartikel och sprider ut sig. De spridda röntgenvågorna interagerar och förstärker eller tar ut varandra vilket skapar ett mönster med ljusa och mörka delar. Detta spridningsmönster, också kallat diffraktionsmönster, kan detekteras av en detektor.

Diffraktionsmönstret ger dock endast information om partikeln från en riktning och kan liknas vid en skuggbild. Genom att orientera partikeln i olika vinkellägen kommer diffraktionsmönstret att ändras, och därmed ge en ny "skuggbild" med mer information. Dessa diffraktionsmönster kan sättas ihop till en så kallad diffraktionsvolym. Olika algoritmer kan sedan bearbeta diffraktionsvolymen och rekonstruera både partikelns inre och yttre struktur.

Då diffraktionsmönstren samlas kan dock vinkelläget störas på grund av upphettning, eller trycket från röntgenstrålen. Detta gör vinkelläget okänt och kan försämra eller hindra återskapandet av partikelstrukturen helt och hållet. Olika metoder har utvecklats för att återhämta den korrekta diffraktionsvolymen genom att sorterar de samlade diffraktionsmönstren beroende på hur lika de är. Detta kräver dock att vinkelläget inte ändras allt för drastiskt.

Ett sätt att komma runt dessa begränsningar kan vara att använda maskininlärning. Maskininlärning har snabbt utvecklats de senaste åren och har använts inom forskning, industri och teknik i vardagen. Ett område där maskininlärning har varit särskilt användbar är bildigenkänning med utvecklingen av faltningsnätverk. Faltningsnätverk kan bearbeta bilder och upptäcka viktiga mönster som kan användas för att extrahera information. Denna egenskap hade också kunnat användas för att tolka diffraktionsmönster.

Då diffraktionsmönstren ändras beroende på vinkelläget av partikeln, kan faltningsnätverket lära sig viktiga drag av mönstret och extrahera vinkelpositionen utifrån dessa drag. Fördelen med ett faltningsnätverk är att det inte sorterar diffraktionsmönstren utefter hur lika de är. Snarare så kan nätverket få ut vinkelpositionen direkt från diffraktionsmönstret själv vilket innebär att även stora och drastiska ändringar av vinkelpositionen kan hanteras.

Ett faltningsnätverk kan därmed erbjuda en mer robust metod för att hantera osäkerheter i vinkelpositionen. Detta öppnar möjligheten till att använda starkare röntgenstrålar inom Bragg CDI vilket kan ge upphov till mer detaljerad information av partikelns yttre- och inre struktur.

• author: Draguanov Mihaylov, Aksel
• supervisor: Jesper Wallentin; Huaiyu Chen
• organization: Department of Physics; Synchrotron Radiation Research
• course: FYSM64 20251
• year: 2025
• type: H2 - Master's Degree (Two Years)
• subject: Physics and Astronomy
• language: English
• id: 9209006
• date added to LUP: 2025-08-13 10:26:11
• date last changed: 2025-08-13 10:26:11